双变量模型假设检验.pptVIP

其次，OLS估计量是无偏的。 重复抽样，做很多次OLS估计，估计量的均值 可以十分逼近真实值（即SRF十分接近PRF）。 最后，在所有线性无偏估计量中，OLS估计 量的方差最小（最优，精度最高，最有效率） 第30页，共78页，编辑于2022年，星期五 3.2 OLS估计的精度 ——估计量的方差与标准误 第31页，共78页，编辑于2022年，星期五 3.2 OLS估计的精度 ——估计量的方差与标准误 由于Y是随机变量，而b1和b2是它的函数， 因此b1和b2也是随机变量。当数据从一个样本 变到另一个样本时，它们的值会出现摆动。 因此，需要找一个量来度量这种摆动的大小， 即衡量估计量b1和b2的精度/可靠性。 ——这个量就是估计量的方差及标准误。 第32页，共78页，编辑于2022年，星期五 通过计算，双变量线性回归OLS估计量的 标准误(P351)为： 其中，σ2为常数，是假定4中ui的共同方差。 第33页，共78页，编辑于2022年，星期五 上述表达式中，除了σ之外，其他量的值均可从样本数据直接得到， σ需要通过样本来估计： 其中，分子为回归的残差平方和（RSS）， 分母为回归的自由度（d.f.）。 被称为回归的标准误（区别于前面回归 估计量b1和b2的标准误 ）。 第34页，共78页，编辑于2022年，星期五 双变量模型：假设检验 同方差 ，由下式来估计： 是残差平方和(RSS)；(n－2)称为自由度。 回归标准误 (Standard error of the regression, SER） 第35页，共78页，编辑于2022年，星期五 例：博彩支出一例的方差和标准误 第36页，共78页，编辑于2022年，星期五 用OLS法估计出b1，b2 （得到了SRF） 在一定的假设前提下，OLS估计量的性质 用方差和标准误，衡量了OLS估计的精度 回归分析的第一阶段：参数估计 回归分析的第二阶段：统计检验 完成 第37页，共78页，编辑于2022年，星期五 双变量模型的统计检验 在博彩支出一例中， 疑问：可以认为总体回归函数 中真实的B2就等于0.08，或据此认 定B2不为0吗？ 若采用表2-3的抽样结果进行OLS 估计： 表2-3 Y X 23 150 18 175 24 200 25 225 28 250 27 275 31 300 29 325 33 350 34 375 第38页，共78页，编辑于2022年，星期五 虽然OLS法得到的b2最大程度地拟合了样本点，并且如果重复足够多次抽样，多个b2的均值就等于B2 ；但是b2毕竟不是B2 ，由于抽样波动性， b2的数值会随样本的变化而不同。 因此，对于总体回归函数中的参数是否等于0（或某个假设值），需要用一个正式的检验过程来验证 —假设检验 第39页，共78页，编辑于2022年，星期五 1、假设检验：显著性检验法 （1）零假设与备择假设 零假设，假设检验中首先要提出一个有待根据样本信息来检验的、关于总体的某种说法或论断，称之为原假设或“0假设”,记为H0（它一般是研究者想收集证据予以反对的假设） 例如 H0 ： B2＝0， H0 ： B1＝0 备择假设，与原假设对立的假设，也称“研究假设” ，即为预备在拒绝原假设时所选择的假设，记为H1 第40页，共78页，编辑于2022年，星期五 ? 总体参数假设的三种形式 H0 :m=m0; H1 : m≠m0 H0 :m=m0; H1 : mm0 (或H0 :m≥m0; H1 : mm0 ) H0 :m=m0; H1 : mm0 (或H0 :m≤m0; H1 : mm0 ) 上述三种类型的假设检验依次称为双侧检验（或双尾检验）、左侧检验（或左尾检验）和右侧检验（或右尾检验），左侧检验和右侧检验通称为单侧检验（或单尾检验）。 第41页，共78页，编辑于2022年，星期五 （2）检验的基本思想 合理构造一定的统计量，利用该统计量在零假设下的抽样分布，结合样本数据算出该统计量的值，并在事先确定的显著性水平下（能容忍的犯错误概率），决定是否接受零假设。 第42页，共78页，编辑于2022年，星期五 CLRM假设7： 扰动项服从正态分布。结合3和4即为： 系数b1,b2,是ui的线性函数， 所以： 第43页，共78页，编辑于2022年，星期五 双变量模型：假设检验 在假设“总体回归函数Yi=B1+B2Xi+ui中，误差项ui服从均值为零，方差为 的正态分布，即，ui~ N( 0